《机器学习Python实战》10神经网络.pptx

神经网络

神经网络的起源第一节神经网络的原理第二节目录content神经网络的决策过程第三节

神经网络的起源第一节

神经网络的起源神经网络技术起源于20世纪50年代到20世纪60年代，经过许多科学家的努力，人脑神经元的这种处理信息模式最终演化为神经元模型，当时叫感知机（perceptron），它是一种多输入、单输出的非线性阈值器件，包含输入层、输出层和一个隐藏层。在一个神经网络中，神经元是构成神经网络的最小单元，如果一个神经元的输出等于n个输入的加权和，则网络模型是一个线性输出。在每个神经元加权求和后经过一个激活函数（ActivationFunction），则引入了非线性因素，这样神经网络可以应用到任意非线性模型中。图10-1展示了加入偏置项和激活函数后的神经元结构。

神经网络的起源加入偏置项和激活函数后的神经元结构。

神经网络的起源神经网络具有类似人脑的自适应、自学习的能力，总的来说神经网络具有以下特性。（1）具有极强的非线性映射能力。（2）具有强大的计算、处理实际问题的能力。（3）具有较强的样本识别与分类能力。

神经网络原理第二节

神经网络原理1．神经网络结构神经网络中，每一层都有不同的神经元，且每个神经元都会接收来自上一层神经元的信号，并且产生新的输出信号传到下一层神经元中。神经元接收上一层的输入并输出到下一层的方式被称为前向传播，这种神经网络被称为前馈神经网络或多层感知器（multilayerperceptron，MLP）。

神经网络原理神经网络最左边的一层称为输入层，最右边的一层称为输出层，中间所有节点组成的是若干隐藏层，这样的层可帮助神经网络学习数据间的复杂关系。神经网络是由一个输入层、若干个隐藏层和一个输出层组成的，隐藏层的个数可以为1，也可以大于1。输入层表示输入信号，隐藏层和输出层的每一个节点代表一个神经元，信号输入后，依次通过各隐藏层传到输出层。

神经网络原理2．激活函数神经网络能解决复杂问题的能力主要取决于网络所采用的激活函数。激活函数决定该神经元接收输入与偏差信号以何种方式输出，输入通过激活函数转换为输出。常用的3种激活函数比较如图所示。

神经网络的决策过程第三节

神经网络的决策过程下面举一个例子来说明神经网络的决策过程。假设小芳正在考虑要不要去看一场演唱会。思考：（1）影响小芳是否去看演唱会的重要决策因素有哪些呢？（2）这些决策因素中哪些可以起决定性作用呢？1．看演唱会的决策因素日常生活中，影响小芳是否去看演唱会的重要决策因素有3个，分别是：今天的工作能否按时完成，不需要额外加班；自己的男朋友是否一起去；该演唱会的口碑是否很好。

神经网络的决策过程上面3个因素就是外部信息输入，最后的决定就是单个神经元模型（感知器）的输出。令x1为工作是否按时完成，x2为男朋友是否一起去，x3为演唱会的口碑是否很好。如果这3个因素都是肯定的，其输出用1表示，即工作能按时完成、男朋友一起去、演唱会口碑很好的情况下，小芳就会去看演唱会；如果3个因素都是否定的，其输出用0表示，即工作不能按时完成、男朋友不一起去，演唱会口碑不好的情况下，小芳就不去看演唱会。这就是一个多重信息输入下的神经网络决策过程。

神经网络的决策过程2．权重设置但是，上面的决策只考虑了3种情况同时满足或者同时不满足的情形，这显然不符合实际需求。实际生活中，我们需要给这些因素指定权重（weight），以代表不同因素的重要性，然后根据权重做出相关的输出。假设x1的权重w1=0.5，x2的权重w2=0.2，x3的权重w3=0.3。那么今天的工作不能按时完成（x1=0）、男朋友一起去（x2=1）以及该演唱会的口碑很好（x3=1）这种情形下，各因素乘以权重得到的综合结果就是0.5×0+0.2×1+0.3×1=0.5。假设x1的权重w1=0.3，x2的权重w2=0.2，x3的权重w3=0.5，这种情形下各因素乘以权重得到的综合结果就是0.3×0+0.2×1+0.5×1=0.7。

神经网络的决策过程这时还需要指定一个阈值，如果总和大于阈值，感知器输出1，否则输出0。假设阈值设为0.6，那么0.70.6，小芳决定去看演唱会；而0.50.6，小芳决定不去看演唱会。此外，还可以加入一个偏置项b。例如，b代表小芳和男朋友的亲密程度，越亲密则b越大，也会增加综合结果的值。那么基于小芳考虑的3个因素、权重和偏置项就可以得到小芳在该事件的激活函数，由激活函数到最终的输出，有一个阈值的决策函数。整个决策过程就是神经网络解决问题的一个简单例子。

谢谢聆听THANKSFORYOURATTENTION